در دنیای امروزی با افزایش سریع حجم اطلاعات در وب، به سیستمی که با دادن پیشنهادات مناسب با خواسته های یک کاربر، او را از مرور تمام آیتم ها بازدارد، احساس نیاز می شود. امروزه سعی در ساخت سیستمی توصیه گر با درصد خطای کم و سرعت بالا در تمام شرایط به یکی از پرطرفدارترین حوزه های تحقیقاتی دانشگاهی تبدیل شده است. به دلیل درصد خطای بالا معمولا یک روش پایه در ساخت این گونه سیستم ها به کار گرفته نمی شود و در اکثر اوقات جهت پیاده سازی آن از ترکیب چندین روش استفاده می شود. با نگاشت اطلاعات تراکنش ها، به یک گراف دوبخشی تعاملات کاربر-آیتم، مسئله توصیه تبدیل به یک مسئله پیش بینی لینک در گراف می شود که در آن ساختار گراف، اطلاعات مناسبی در رابطه با ارتباطات بین کاربران دارد. برای استفاده بهینه از ساختار گراف، یک روش توصیه مبتنی بر هسته را پیشنهاد می کنیم و یک هسته گراف طراحی می کنیم که کاربران و آیتم هایی که با کاربر-آیتم اصلی در ارتباط هستند را جهت پیش بینی لینک، موردبررسی قرار می دهد. در هسته گراف، یک حرکت تصادفی با شروع از جفت کاربر-آیتم اصلی ایجاد می کنیم و میزان شباهت بین جفت کاربر -آیتم ها را بر اساس حرکت تصادفی محاسبه می کنیم. سپس از هسته در یک ماشین بردار پشتیبان تک کلاسه جهت عمل توصیه استفاده می کنیم. پیاده سازی شده و نتایج خوبی نیز حاصل شد. به عنوان مثال این movielens الگوریتم ذکرشده، بر روی دیتاست روش برای 6040 کاربر به 3883 فیلم با گام های تصادفی به طول 3، صحت پیش بینی 83.03 بدست آمد